研究：无线通信中的 AI

神经接收机有望实现更加稳定的移动无线通信数据传输。罗德与施瓦茨和英伟达正在联合开发相应的测试装置。

3月 27, 2025

无线传输总会受到干扰。目前的无线通信利用信道估计和均衡来解决这个问题。发射机随实际数据流一起发送接收端已知的附加导频音。如果在导频信号到达接收端时检测到任何失真，数字信号滤波器就会对其进行均衡处理。强大的信号处理算法根据导频音的失真程度计算合适的滤波器参数。

这些干扰抑制方法针对移无线通信中常见的不同情况。在乡村道路上骑车的人、在拥挤的步行区走路的人和行驶中的火车上的乘客，他们发出的无线传输受到的干扰程度各不相同。

人工智能的用武之地

每次成功连接到移动设备的数据，都证实了当前的信号处理有多精妙，不过仍存在一定的局限性。由于信号处理算法在标准化信道配置文件的基础上开发，而这种假设模型只能提供实际操作条件的近似值，因此优化方法无法做到尽善尽美。使用更能反映实际状况的数据集来训练 AI 模型，将能够提供更有效的信道均衡方法，从而实现更稳定的无线连接和更高的数据吞吐量。

无线通信的必备法宝

图 1 所示为英伟达专门开发的神经接收机方法：接收机 (RX) 中没有用于信道估计、信道均衡和解映射的信号处理块，取而代之的是用一个训练有素的机器模型来处理所有三个任务。该神经接收机利用英伟达专为 5G 和 6G 研究创建的 Sionna 开源软件库开发出来。

对比传统发射机装置和基于 AI 的发射机。

在神经接收机中（下图），由一个经过训练的机器学习模型来处理信道估计、均衡和解映射的任务。在传统的线性最小均方误差 (LMMSE) 接收机架构中（上图），由确定性软件算法执行这些任务。

/

有效训练神经接收机需要非常高的计算能力，此外还需要图形处理单元 (GPU)。然而，初步结果证明这些投入物有所值。研究人员非常乐观，认为 AI 模型训练所需的计算能力将大幅减少。现在许多专家认为，AI 模型将成为 6G 无线通信信号处理的必备法宝。

目前尚不确定是否有足够高质量的真实训练数据。随着市场日渐成熟，对现场实际数据的需求将会增加。目前，模拟或生成的数据集完全能够提供当前研究阶段所需的合成训练数据。

评估性能的测量技术

罗德与施瓦茨提供了合适的信号源和信号分析工具，能够为神经接收机建立所需的测试环境。R&S®SMW200A 矢量信号发生器模拟在 MIMO 信号配置中发射信号的各个用户，并根据需要添加噪声和衰落，以模拟真实的无线电信道配置。当前测试装置中使用的接收机是具有四个并行接收信道的 R&S®MSR4 通用卫星接收机。它通过实时流端口将信号转发到服务器，R&S®Vector Signal Explorer (VSE) 矢量信号分析软件在服务器中同步信号并执行快速傅里叶变换 (FFT)。之后，该 FFT 数据集将用作神经接收机的输入。

为了评估质量，会将重建的数据块与原始数据进行比较。计算出现错误的数据块与传输的数据块总数之比，可得出误块率 (BLER)。